一種基于深度神經網絡的起航算法

杜建暉

（四川大學視覺合成圖形圖像技術重點學科實驗室，成都610065）

0 引言

起航是指探測系統在還沒有進入可靠的跟蹤維持之前所進行的一系列航跡確立過程。經典的航跡起始方法按數據處理方式不同可以分為2 大類：順序處理和批處理[1]。其中順序處理中有直觀法和邏輯法[2]。批處理技術的主要算法有：Hough 變換法和修正Hough變換法[3]，順序處理方法是根據所設計的規則或邏輯，判斷按批次順序的量測組合是否為真實目標，其實質是一個分類問題。傳統的方法都需要根據經驗來設置決策門限值，用于判斷量測值是否來自原目標。門限值的設定往往影響著整個航跡起始過程的效果[4]。可是這類門限有其自身的局限性：對環境的認知不佳。而本文提出的方法是根據低空監視雷達歷史數據作為訓練集來進行擬合以便構建分類方法和門限，避免了人工設置門限值的人為誤差，而且適應性強，對于不同的雷達，模型可自適應進行分類。

1 主要方法及流程

1.1 流程描述

在本文中，先采用邏輯法對一次雷達數據進行預處理，初步減少雜波對樣本的干擾。然后提取速度、加速度和夾角作為初始航跡的特征送入深度神經網絡DNN 模型進行訓練。算法流程如圖1 所示。

圖1 基于深度神經網絡航跡起始算法流程

1.2 神經網絡

1.2.1 DNN 神經網絡

從單層感知機發展到多層感知機，在神經網絡中隨著網絡層數的可增加性，神經網絡可以學習到更加復雜的非線性的模型。深度神經網絡（DNN）一般是指模型中有大于一個隱藏層。DNN 模型主要有以下幾個特點：第一，在權重的初始值設定上，純BP 算法采用的是隨機值，而DNN 權值的初始值與之相比更加接近權值空間中的收斂值。第二，隨著引入隱藏層，不僅增加了模型的復雜度，同時也增強了模型的表達能力；第三，輸出層的神經元數量可以選擇復數，適用于本文中的分類任務；第四，在激勵函數使用中，本文的分類任務特征采用的是ReLU 激勵函數，并在最后一層采用Softmax 函數進行預測分類，并在預測時添加了Adam優化器進行優化。

本文基于工程上的起航問題，并將其轉換為二分類問題：即雷達量測數據的點跡能否用于航跡起始。以從低空監視雷達收集到的大量的量測數據作為數據集，利用DNN 網絡模型對其進行訓練，得到對雷達量測數據中可用于建航的選取能力，以此來進一步提升航跡起始算法的準確率，增強起航算法在低空雷達雜波較多的環境下的適應能力。

此算法適用的場景為：雷達起航中順序技術量測數據預處理后，一種對暫態航跡的確認狀態。也就是說對暫態航跡獲取其特征值，建立模型，作為DNN 輸入的向量值，經過多層網絡層的模型迭代處理，以分類的方式輸出暫態航跡為真實起航與預警起航。本算法的特點是目標運動模型的建立不需人工的干預，算法有較小的復雜度，對量測數據的處理損失值較少。

1.2.2 DNN 分類器的分析

DNN 網絡的特點是參數比較多，節點數也多，其缺點是容易出現過擬合現象，我們采取增大訓練集的樣本量級的方式來避免此現象對算法精度的影響。

其中參數如下：batch_size = 64, learning_rate =0.001，迭代次數為100000，Input_dim=12，hidden1_dim=15，hidden2_dim=12，outpur_dim=1，threshold_value=0.8，dropout=0.1。

1.2.3 特征提取

本文所選取的樣本為一次雷達數據經過邏輯法預處理后的量測組合數據，提取其中相鄰兩個掃描周期點跡之間的平均速度(Vxk1,Vxk2,…,VxkN-11)(Vyk1,Vyk2,…,VykN-1)，連續三個掃描周期點跡的加速度(axk1,axk2,…,axkN-2)(ayk1,ayk2,…,aykN-2)，連續三個掃描周期點跡的兩端連線的夾角(φk1,φk2,…,φkN-2)。

2 實驗結果及分析

2.1 深度神經網絡模型訓練結果分析

2.1.1 數據集的大小

DNN 深度神經網絡因為需要先經過邏輯法進行預處理，四個掃描周期內的連續四個點跡數據合并為一條數據進行處理，總的訓練集數量7560 條。

2.1.2 訓練集的損失值和精度變化

訓練集的交叉熵和精確度的變化曲線如圖2 所示，其中波浪線代表精確度的變化曲線，實線代表代表損失值的變化曲線。可以看出，當迭代步數為500 步時，損失值由高到低最后趨于穩定，精確度由低到高最后趨于穩定。

圖2 訓練集的損失值和精確度的變化

2.2 真實數據對比實驗

前文已指出，在雜波較多的雷達數據背景下的航跡起始處理問題中，使用最多的經典航跡起始方法是修正的Hough 變換法。檢測濾波和虛警率是經常被用于評價航跡起始方法的指標。本文選取一段一次雷達數據經處理后作為測試數據，分別采用修正的Hough變換法和已訓練完成的DNN 分類模型進行建航，通過比較兩種方法的檢測概率和虛警率來評價兩種方法的性能。

2.2.1 測試數據準備展示

本文使用的低空監視雷達掃描周期為5s，每次間隔100s 提取4 個掃描周期的數據為一組數據，一共提取60 組數據作為測試數據。共包括點跡數據6840 個點跡數據，形成1280 條航跡，真實航跡數量為152 條。

由于原始數據量較多，本文節選994 個點跡數據（15 條真實航跡）進行過程展示。量測數據的原始分布和真實航跡目標運動軌跡如圖3 所示。

圖3 量測數據的原始分布和真實航跡運動軌跡

2.2.2 部分測試數據預處理展示

本文使用的低空監視雷達的距離觀測標準差是15m，范圍角觀測標準差是0.2°。

當采用修正的Hough 變換進行航跡起始時，設定其中的閾值為γ=8。

當采用本文中采用的深度神經網絡進行航跡起始前，先采用邏輯法進行預處理，參數設定為Vx_min =0m/s,Vx_max=90m/s,Vy_min=0m/s,Vy_max=90m/s,ax_max= 6m/s2,φ_max=100°，生成航跡集合共計117條，如圖4 所示。

圖4 預處理后結果

2.2.3 部分測試數據實驗結果展示

（1）使用修正的Hough 變換法的航跡結果如圖5

圖5 修正Hough變換下航跡起始結果

（2）使用基于深度神經網絡模型的航跡結果如圖6

圖6 基于深度神經網絡DNN模型航跡起始結果

2.2.4 整體測試數據實驗結果分析

分別使用修正的Hough 變換和基于深度神經網絡DNN 模型檢測概率和虛警率結果如表1 所示。

表1 基于兩種航跡起始算法的檢測概率和虛警率

從修正的Hough 變換和基于深度神經網絡這兩種方法的實驗結果來看，DNN 深度神經網絡相對來說具有比較好的結果，在相同雜波環境下，DNN 神經網絡航跡起始檢測概率高于修正的Hough 變換的同時，其虛警率也明顯低于修正的Hough 變換。使用DNN 深度神經網絡進行起航是有可行性的，并且起航性能比修正的Hough 變換法要更準確。

3 結語

在低空監視雷達高噪聲環境下使用傳統航跡起始方法生成的起始航跡檢測準確率較低，虛警過多，造成后期航跡跟蹤運算量大且易產生跟蹤誤差。針對這一問題，本文采用了一種基于深度神經網絡DNN 的航跡起始算法。實驗表明，該方法與傳統的修正Hough 變換法相比，檢測概率優于修正Hough 變換，且虛警率也小于后者，整體性能較后者有一定的優勢。在實際應用場景中，有一定的使用價值。